Simulazione robotica

Simula, testa e convalida robot basati sull'IA fisica e flotte multi-robotiche.

Fraunhofer IML

Fraunhofer IML

Carichi di lavoro

Robotica
Simulazione / Modellazione / Design

Settori

Produzione
Città intelligenti / Spazi
Retail / CPG
Sanità e scienze della vita

Obiettivo aziendale

Innovazione

Prodotti

NVIDIA Isaac Sim
NVIDIA Omniverse

Panoramica

Che cos'è la simulazione robotica?

I robot fisici e le flotte di robot alimentati dall’IA devono rilevare, pianificare ed eseguire compiti complessi in modo autonomo nel mondo fisico. Questi includono il trasporto e la manipolazione di oggetti in modo sicuro ed efficiente in ambienti dinamici e imprevedibili.  

Per raggiungere questo livello di autonomia, è necessario un approccio "sim-first". 

La simulazione di robot consente agli sviluppatori di robotica di addestrare, simulare e convalidare questi sistemi avanzati attraverso l'apprendimento robotico e i test virtuali. Tale approccio sim-first si applica anche ai test di flotte multi-robot e consente ai sistemi autonomi di comprendere e interagire con gli impianti industriali sulla base dei dati sulla produzione in tempo reale, degli input dei sensori e del ragionamento. Tutto avviene in rappresentazioni digitali basate sulla fisica di ambienti, come magazzini e fabbriche, prima della distribuzione.

Testa le flotte multi-robot per l'automazione industriale

Simula, testa e ottimizza l'IA fisica e le flotte robotiche su larga scala nei gemelli digitali industriali prima della distribuzione nel mondo reale.

Perché simulare?

Icona decorativa

Avvia lo sviluppo di modelli di IA

Avvia l'addestramento dei modelli di IA con dati sintetici generati da ambienti gemelli digitali quando i dati del mondo reale sono limitati o ristretti.

Icona decorativa

Testa su vasta scala

Testa un singolo robot o una flotta di robot industriali in tempo reale in varie condizioni e configurazioni.

Icona decorativa

Riduzione dei costi

Ottimizza le prestazioni dei robot e riduci il numero di prototipi fisici necessari per il test e la convalida.

Icona decorativa

Prova in ambente sicuro

Testa in modo sicuro scenari potenzialmente pericolosi senza rischi per la sicurezza umana o danni alle apparecchiature.


Implementazione tecnica

Flussi di lavoro alimentati dalla simulazione robotica

Addestrare cervelli robotici

La simulazione può offrire nuovi casi d'uso, contribuendo al progresso dell'addestramento di modelli di policy fondamentali e robotiche grazie alla generazione di dati sintetici o SDG. Questi dati possono consistere in testo, immagini 2D o 3D negli spettri visivi e non e persino in dati sul movimento che possono essere utilizzati in combinazione con i dati del mondo reale per l'addestramento di modelli multimodali di IA fisica. 

La randomizzazione del dominio è un passo fondamentale nel flusso di lavoro SDG, dove molti parametri di una scena possono essere modificati per generare un set di dati diversificato, dalla posizione al colore, dalle texture all'illuminazione degli oggetti. L'ampliamento in post-elaborazione mediante i modelli di base del mondo (WFM) NVIDIA Cosmos™ può essere utilizzato per diversificare ulteriormente i dati generati e aggiungere il grado di realismo necessario per ridurre il divario tra simulazione e realtà.

Aiutare i robot ad apprendere in contesti digitali

L’apprendimento robotico è fondamentale per garantire delle buone abilità delle macchine autonome in maniera continua ed efficiente nel mondo fisico. La simulazione ad alta fedeltà fornisce un campo di addestramento virtuale per i robot per affinare le loro abilità attraverso tentativi ed errori o attraverso l'imitazione. Ciò garantisce che i comportamenti appresi dal robot durante la simulazione siano più facilmente trasferibili al mondo reale.

NVIDIA Isaac™ Lab, un framework open source, unificato e modulare per l'addesrtramento robotico basato su NVIDIA Isaac Sim™, semplifica i flussi di lavoro comuni nella robotica, come l'apprendimento di rinforzo, l'apprendimento dalle dimostrazioni e la pianificazione del movimento.

Testare e convalidare i robot

Testare singoli robot

Il software-in-loop (SIL) è una fase critica di test e convalida nello sviluppo di software per sistemi di robotica fisica alimentati dall’IA. Nel SIL, il software che controlla il robot viene testato in un ambiente simulato piuttosto che nell’hardware reale.

Simulazione di robot

Il SIL insieme alla simulazione garantisce una modellazione accurata della fisica del mondo reale, tra cui input dei sensori, dinamiche degli attuatori e interazioni ambientali. Isaac Sim fornisce agli sviluppatori le funzionalità necessarie per testare il comportamento dello stack software dei robot durante la simulazione esattamente come farebbero sui robot fisici, risultando in una migliore validità dei risultati dei test.

Testare flotte multi-robot

Il SIL può essere esteso da un singolo robot a flotte di robot. I magazzini e altri impianti industriali sono ambienti logistici altamente complessi e presentano sfide come le fluttuazioni della domanda, i vincoli di spazio e la disponibilità della forza lavoro. Questi ambienti possono beneficiare dall'integrazione di flotte di sistemi robotici a supporto delle operazioni.

Mega, un Blueprint NVIDIA Omniverse™ che serve a sviluppare, testare e ottimizzare flotte di IA fisica e di robot su vasta scala, trasformando le flotte in gemelli digitali prima di distribuirle nelle strutture reali. Grazie ai gemelli digitali basati su Mega, tra cui i simulatori del mondo che coordinano tutte le attività dei robot e i dati dei sensori, le aziende possono aggiornare continuamente i cervelli dei robot per ottenere percorsi e attività intelligenti per operazioni più efficienti.

Orchestrazione dei carichi di lavoro di robotica

La generazione di dati sintetici, l’apprendimento robotico e il test dei robot sono flussi di lavoro altamente interdipendenti e richiedono un’orchestrazione attenta attraverso un’infrastruttura eterogenea. I flussi di lavoro robotici richiedono inoltre specifiche intuitive in grado di facilitare il lavoro di configurazione degli sviluppatori, oltre a offrire dei modi semplici per il tracciamento dei dati e della linea di modelli e un modo sicuro e semplificato per distribuire questi carichi di lavoro. 

NVIDIA OSMO fornisce una piattaforma di orchestrazione cloud-native per scalare carichi di lavoro robotici complessi, multifasici e multi-container on-premise e su cloud pubblici e privati.

Inizia

Scopri di più su NVIDIA Isaac Sim per l'apprendimento dei robot.

Notizie recenti sulla robotica

National Robotics Week — Latest Physical AI Research, Breakthroughs and Resources
April 12, 2025
This National Robotics Week, NVIDIA highlighted the pioneering technologies that are shaping the future of intelligent machines and driving progress across manufacturing, healthcare, logistics and more. Advancements in robotics simulation and robot learning are driving this fundamental shift in the industry. Plus, the emergence of world foundation models is accelerating the evolution of AI-enabled robots Read Article
Industrial Ecosystem Adopts Mega NVIDIA Omniverse Blueprint to Train Physical AI in Digital Twins
March 31, 2025
Advances in physical AI are enabling organizations to embrace embodied AI across their operations, bringing unprecedented intelligence, automation and productivity to the world’s factories, warehouses and industrial facilities. Humanoid robots can work alongside human teams, autonomous mobile robots (AMRs) can navigate complex warehouse environments, and intelligent cameras and visual AI agents can monitor and optimize Read Article
NVIDIA Unveils Open Physical AI Dataset to Advance Robotics and Autonomous Vehicle Development
March 18, 2025
Teaching autonomous robots and vehicles how to interact with the physical world requires vast amounts of high-quality data. To give researchers and developers a head start, NVIDIA is releasing a massive, open-source dataset for building the next generation of physical AI. Announced at NVIDIA GTC, a global AI conference taking place this week in San Read Article
NVIDIA Open-Sources cuOpt, Ushering in New Era of Decision Optimization
March 18, 2025
Every second, businesses worldwide are making critical decisions. A logistics company decides which trucks to send where. A retailer figures out how to stock its shelves. An airline scrambles to reroute flights after a storm. These aren’t just routing choices — they’re high-stakes puzzles with millions of variables, and getting them wrong costs money and, Read Article

Casi d'uso correlati

Select Location
Middle East